找到一個段落，找到這一段用正則表達式

Question

內的字符串我有一個HTML頁面內一些線路是這樣的：

<div> 
    <p class="match"> this sentence should match </p> 
    some text 
    <a class="a"> some text </a> 
</div> 
<div> 
    <p class="match"> this sentence shouldnt match</p> 
    some text 
    <a class ="b"> some text </a> 
</div> 

我想提取<p class="match">裏面的線，但只有當裏面有div含<a class="a">。

什麼，我這樣做的遠低於（我首先找到<a class="a">裏面的段落，我在迭代結果找到一個<p class="match">裏面的句子）：

import re 
file_to_r = open("a") 

regex_div = re.compile(r'<div>.+"a".+?</div>', re.DOTALL) 

regex_match = re.compile(r'<p class="match">(.+)</p>') 
for m in regex_div.findall(file_to_r.read()): 
    print(regex_match.findall(m)) 

，但我不知道是否有另一種（仍然有效）的方式一次做到這一點？

Answer 1

你應該使用一個HTML解析器，但如果你仍然笏正則表達式，你可以使用這樣的事情：

<div>\s*<p class="match">([\w\s]+)</p>[\w\s]+(?=<a class="a").*?</div> 

Working demo

Answer 2

使用HTML解析器，如BeautifulSoup。

找到a標籤與a類，然後find previous sibling - p與match類標籤：

from bs4 import BeautifulSoup 

data = """ 
<div> 
    <p class="match"> this sentence should match </p> 
    some text 
    <a class="a"> some text </a> 
</div> 
<div> 
    <p class="match"> this sentence shouldn't match</p> 
    some text 
    <a class ="b"> some text </a> 
</div> 
""" 

soup = BeautifulSoup(data) 
a = soup.find('a', class_='a') 
print a.find_previous_sibling('p', class_='match').text 

打印：

this sentence should match 

也明白爲什麼你應該避免使用正則表達式這裏解析HTML：

• RegEx match open tags except XHTML self-contained tags

Answer 3

<div>\s*\n\s*.*?<p class=.*?>(.*?)<\/p>\s*\n\s*.*?\s*\n\s*(?=(\<a class=\"a\"\>)) 

你可以使用這個。

查看演示。

http://regex101.com/r/lK9iD2/7